Open-Sora 部署指南：五步跑通你的首个 AI 视频生成流程-育师

Open-Sora 部署指南：五步跑通你的首个 AI 视频生成流程

【免费下载链接】Open-SoraOpen-Sora: Democratizing Efficient Video Production for All项目地址: https://gitcode.com/GitHub_Trending/op/Open-Sora

自己动手部署一套 AI 视频生成环境，在很多人的想象里是一场"显卡、驱动、编译报错三座大山"的马拉松。但如果你选对了项目——比如开源的 Open-Sora——这条路的实际长度可能只够你泡一杯咖啡。本文不打算按部就班地给你念说明书，而是把整个部署过程拆成五个能直接落地的动作，帮你从空环境一路走到生成出第一段视频。

作为 HPC-AI Tech 出品的开源视频生成框架，Open-Sora 最大的卖点是把"训练、推理、数据预处理"整条链路开源出来，单个模型同时支持文本生成视频（T2V）与图像生成视频（I2V）。本文所有的命令都来自项目仓库的 Quickstart，你可以照着敲，也能放心改参数。

出发之前，先看清整条路

在动手敲命令之前，先在心里建立一张地图，你只需要记住五个站点：

搭环境：准备 Python 3.10、CUDA 和一张显存够用的显卡；
拉代码：克隆仓库并安装依赖（含可选加速组件）；
领权重：把预训练模型下载到./ckpts目录；
跑首测：用一条命令生成第一段文本视频；
加配置：切换分辨率、帧数、批量生成与多 GPU。

这张地图的价值在于：每一步的"坑"都比较独立，哪里出问题就回看哪一站，不用推倒重来。后面的章节，我们按这个顺序逐站攻克。

硬件与软件，先对好暗号再动手

很多人卡在第一步，不是代码有问题，而是环境没对齐。Open-Sora 基于 PyTorch 生态构建，下面这张表是它默认的"脾气"，满足它你后面能少踩一半的坑：

项目	建议配置
操作系统	Linux（Ubuntu 20.04 及以上）
Python	3.10
显卡	支持 CUDA 的 NVIDIA GPU，显存 16 GB 以上
CUDA	12.1 及以上
磁盘	模型权重体积不小，预留 50 GB 以上更从容

如果你手头是 Windows 机器，建议先搭一个 WSL2 或直接用云 GPU 实例，这套流程在 Linux 下最顺畅。

环境用 conda 管理最省心，两条命令建好独立空间，避免依赖互相打架：

conda create -n opensora python=3.10 conda activate opensora

拉代码装依赖：一次装齐，不留隐患

代码仓库的地址是https://gitcode.com/GitHub_Trending/op/Open-Sora，把它克隆到本地：

git clone https://gitcode.com/GitHub_Trending/op/Open-Sora cd Open-Sora

接下来是安装依赖。项目把所有核心依赖都写进了requirements.txt，包括 torch、torchvision、colossalai、mmengine 等，所以你只需要一条命令装根目录的项目包：

pip install -v .

如果你是开发者，想边改代码边验证，把.换成-e .（开发模式）即可。

装完基础包后，还有两个加速组件建议补上。先装 xformers（按你的 CUDA 版本选对应的安装源）：

pip install xformers==0.0.27.post2 --index-url https://download.pytorch.org/whl/cu121

再装 flash-attn，这步是很多新手栽跟头的地方——它需要本地编译，务必保持耐心：

pip install flash-attn --no-build-isolation

如果你的目标是训练或微调模型，还要额外装两个包：TensorNVMe（加速 checkpoint 保存）和pandarallel（并行数据处理），具体的安装命令在docs/train.md里写得很清楚。另外，追求极致推理速度的朋友可以关注 Flash Attention 3 的源码编译方式，README 的 Installation 一节有完整指引。

模型权重去哪领：两种下载渠道任选

模型这一步，核心任务是让./ckpts目录"吃饱"。Open-Sora v2 的 11B 模型同时支持 256px 和 768px 分辨率，文本和图像两条输入路径共用一个模型，下载一份就够用。

渠道一：Hugging Face，对海外网络更友好：

pip install "huggingface_hub[cli]" huggingface-cli download hpcai-tech/Open-Sora-v2 --local-dir ./ckpts

渠道二：ModelScope，国内用户下载往往更稳更快：

pip install modelscope modelscope download hpcai-tech/Open-Sora-v2 --local_dir ./ckpts

下载完成后，记得确认目录结构——推理配置里的from_pretrained默认指向./ckpts，如果文件位置对不上，后面启动时会报"找不到模型"的错。这一步看似简单，却直接决定了你能不能跑通首测。

首战告捷：一条命令跑通文本转视频

一切就绪，现在迎来最有成就感的一刻——生成你的第一段视频。Open-Sora 对图生视频做了专门优化，同时内置了一条"文本→图片→视频"（T2I2V）流水线，让纯文本输入也能得到高质量结果。256px 分辨率下，一条命令就能出片：

torchrun --nproc_per_node 1 --standalone scripts/diffusion/inference.py configs/diffusion/inference/t2i2v_256px.py --save-dir samples --prompt "raining, sea"

跑完之后，去samples目录翻一翻，那里就是"raining, sea"（雨中的海）的成片。想看更丰富的效果，仓库里自带一个批量 prompt 文件assets/texts/example.csv，里面收录了赛博朋克人像、雪山跑车、谷仓小鸡、钢琴演奏等 8 条精心设计的提示词，直接喂给它即可：

torchrun --nproc_per_node 1 --standalone scripts/diffusion/inference.py configs/diffusion/inference/t2i2v_256px.py --save-dir samples --dataset.data-path assets/texts/example.csv

如果你不想走"文本→图片→视频"链路，也可以直接用纯 T2V 配置256px.py跑，少一道中间环节，速度更快。

让视频跟着画面走：图像生成视频实战

Open-Sora 的另一个高频玩法是图生视频：给一张参考图加一句描述，模型就让画面"动"起来。仓库自带的assets/texts/i2v.png就是一张现成的测试图——一只在泥潭里撒欢的小猪，很适合拿来验证效果。

对应的生成命令如下，--cond_type i2v_head告诉模型走"图像作为起始帧"的路径，--ref指定参考图：

torchrun --nproc_per_node 1 --standalone scripts/diffusion/inference.py configs/diffusion/inference/256px.py --cond_type i2v_head --prompt "A plump pig wallows in a muddy pond on a rustic farm, its pink snout poking out as it snorts contentedly." --ref assets/texts/i2v.png

批量场景也不含糊，仓库把"提示词 + 参考图"成对写进了assets/texts/i2v.csv，直接指定数据路径就能一次性生成多条图生视频。这种玩法非常适合做"首帧控制"类的内容，比如角色动作延续、产品特写运镜。

显存不够、帧数想调？常用参数改起来

跑通首测只是开始，实际使用中你大概率会遇到两类诉求：内存吃紧和出片规格不合口味。

先说显存问题。如果你在 256px 下都感觉吃力，可以在命令末尾加一个开关，把部分计算搬到 CPU 侧，省下可观显存：

torchrun --nproc_per_node 1 --standalone scripts/diffusion/inference.py configs/diffusion/inference/t2i2v_256px.py --save-dir samples --prompt "raining, sea" --offload True

再说规格定制。视频的画幅比例用--aspect_ratio控制，可选值包括16:9、9:16、1:1、2.39:1；时长则由帧数决定，--num_frames只能填"4k+1"形式的数字（比如 65、93），且必须小于 129。组合起来就是一条完整的定制命令：

torchrun --nproc_per_node 1 --standalone scripts/diffusion/inference.py configs/diffusion/inference/t2i2v_256px.py --save-dir samples --prompt "raining, sea" --aspect_ratio 16:9 --num_frames 65

多 GPU 提速的正确姿势

单卡跑 256px 绰绰有余，但一旦上 768px，单卡的等待时间就会明显拉长。Open-Sora 集成了 ColossalAI 的并行加速能力，768px 场景推荐直接用 8 卡分布式推理，把--nproc_per_node从 1 改成实际显卡数即可：

torchrun --nproc_per_node 8 --standalone scripts/diffusion/inference.py configs/diffusion/inference/768px.py --prompt "raining, sea"

文本转视频和图像转视频都吃这套并行方案，配置里的t2i2v_768px.py同理。顺带一提，官方在 H100 上做过基准测试：768px 单卡要 1656 秒，8 卡能压到 276 秒左右，提速效果相当直观。

常见踩坑与排错清单

部署路上难免碰壁，把高频问题提前摆出来，真遇到时你对号入座即可：

flash-attn 编译报错或卡死：大概率是 CUDA toolkit 缺失或与 torch 版本不匹配。先确认nvidia-smi和torch.version.cuda是否同频，再重试编译。
启动就 OOM（显存不足）：256px 也不可小觑，优先加--offload True；若仍不够，调低--num_frames或改走更小分辨率。
提示找不到模型权重：检查./ckpts里的文件名是否和 config 中from_pretrained路径完全一致，比如Open_Sora_v2.safetensors。
--num_frames填了奇怪的值被拒：记住规则是"4k+1 且小于 129"，65、93 都是合法值。
从 Hugging Face 下载超时或中断：国内用户直接切 ModelScope 渠道，或者设置HF_ENDPOINT走镜像。
torch 版本过低报 API 错误：确保至少 2.4.0，直接跟随requirements.txt的锁定版本最省心。

进阶玩法：让生成更可控

如果你想让出片质量再上一个台阶，Open-Sora 还提供了几个值得一试的旋钮：

运动强度控制：训练时模型把 motion score 融入了提示词，推理时用--motion-score 4指定（默认就是 4，数值越大动作越剧烈）；
提示词精炼：配置好OPENAI_API_KEY后，加--refine-prompt True会让大模型先润色你的 prompt 再生成；
结果可复现：加上--seed 42 --sampling_option.seed 42锁定随机种子，同一段文字每次都能得到一致的结果；
多份采样：用--num-sample k让每个 prompt 一次生成 k 份候选，方便挑最优。